- 博客(18)
- 收藏
- 关注
RSS订阅原创 365天深度学习N2心得体会
可以将text_pipeline和label_pipeline看成是一个函数，第一个是将语句转化成对应的vocab数字词典索引，第二个是将标签转化为对应的标签列表索引，也就是两者都是将各自的内容输入，输出数字组和索引。example=vocab(['我','想','看','和平','精英','上','战神','必备','技巧','的','游戏','视频'])#specials=['<unk>']可以理解为字典中没有的词，用unk进行标记，此时的vocab可以理解为将单词转化为数字。
2023-08-04 20:54:24
86
1
原创 365天深度学习n1心得体会
7from torchtext.data.functional import to_map_style_dataset，将迭代式数据集转化为映射式数据集，相当于从前是直接访问数据集，现在是根据索引，访问对应的数据集。4self.embedding.weight （vocab_size,embedding_dim）词嵌入层的权重矩阵,vocab_size词汇表大小，embedding_dim嵌入向量的维度。5self.embedding.weight.data表示权重矩阵的值。
2023-07-21 23:04:51
104
1
原创 365天深度学习P9学习心得体会
最后我来评价一下这张图，首先泛化性能不错，不存在过拟合，然后可能是因为学习率固定的关系，所以导致损失这一块，有一个大幅度的起伏，总体趋势还是收敛的，模型效果不错，只不过我用的batch_size有点小，而数值大一点，效果就会差很多，目前这一块，没有想通，反正我对这个代码进行了一定的修改和创新，但是最关键的yolo，我还是没有彻底学好，感觉不是朝夕就能搞定，还需要花费更多时间，进一步去理解，主要是层数太多，又经过各种变换，我短时间搞不定。
2023-07-14 22:58:19
114
1
原创 365天深度学习训练营P8天气识别心得体会
print('设定训练集和测试集大小，用random_split对total_data进行粗浅切割，要求变成[train_size,test_size]这样一个款式，也就是训练集和测试集4：1')print('此时我可以这么说，是先有class Conv，再有class Bottleneck，再有class C3，最后有class model_K，一层层嵌套，至于为何这么做，还不清楚')根据文件名，输出类别 ['cloudy', 'rain', 'shine', 'sunrise']
2023-07-04 20:31:22
97
原创 365天深度学习训练营p7咖啡豆识别心得体会
刚开始进行代码调试的时候，我会将epochs设置等于1，进行排查错误，将报错的内容一一修改，等没有错误之后，在将epochs改大。后话，我对于这个结果挺满意的，之前我真的以为vgg16为啥效果这么差，现在一看，我还是不够了解，没有过拟合，损失也降到最低。#早的时候，我会将epoch设置成40，认为次数多，效果就会好，后来发现，很多时候，迭代很多次，也只是在那个范围徘徊罢了。#这相当于是第二步，数据预处理，将图片数据处理成对应的数据格式，经过各种变化，生成总体样本集。#写错了，将ReLU,写成了ReLU。
2023-06-27 23:01:01
70
1
原创 365天深度学习训练营第p6周好莱坞明星识别心得体会
print('犯了一个错误，将0.8放在外面*int,结果train_size就是一个浮点数，从而影响了下面的数据切割，一定要将0.8放在里面，这样train_size就是一个整数')print('看一下模型什么样子，由features，avgpool，classifier三个阶段，这里看一下classifier的最后一层也就是第六层，输出为1000')print('地址中，可能用\表示地址的路线，但是当我们要将其进行分裂的时候，挑出最后的文件名的时候，要用两个\表示\，这个是windows的要求')
2023-06-18 14:58:20
70
原创 深度学习365天之P5运动鞋识别心得体会
print('SHAPE OF X[N,C,H,W]:',X.shape)#SHAPE OF X[N,C,H,W]: torch.Size([76, 3, 224, 224])，四维图片数据(N, C, H, W)分别表示(数量，色道，高，宽)print(data_paths)#[WindowsPath('D:/BaiduNetdiskDownload/深度学习p5/test'), WindowsPath('D:/BaiduNetdiskDownload/深度学习p5/train')]
2023-06-12 23:06:08
65
原创 365天深度学习训练营-第P3周：天气识别心得体会
torch.utils.data.random_split可以认为是图像数据集的切分，其中第一个参数为根目录，第二个和第三个参数用列表表示，表示设置的训练集大小和测试集大小，此时训练集和验证集已经生成。#compose可以理解为一个预处理包，将所有步骤都合并在一起，第一步，重新调整大小，第二步，转化成tensor格式，第三步，批量归一化，均值为多少，方差为多少。#这上面的一步with ，我差点就忘记写了，以为直接是for，实际上是告诉我，for中的操作都是建立在没有没有优化器的基础之上的。
2023-05-29 19:00:07
93
1
原创 365天深度学习训练营-第P2周：彩色图片识别心得体会
用torch.utils.data.DataLoader构建带有批次的数据集，相当于把之前一大块数据缕了一下，改成一批批的，但是要求训练集对数据要进行打乱，也就是给模型训练增加难度，让模型泛化能力强，适应复杂情况，测试集不用，毕竟只是验证模型的性能是否可以。#上面是启用torchvision.datasets.CIFAR10，也就是加载里面的数据集中的CIFAR10，里面主要是将数据内容转化成torch常用的格式tensor,因为数据集我没有，选择下载，但是测试集不用训练。
2023-05-26 17:22:13
82
1
原创 第P1周：实现mnist手写数字识别，我的练习心得
train_acc +=(pred.argmax(1)==y).type(torch.float).sum().item()#type(torch.float)将类型改为tensor的浮点型，pred.argmax(1)表示输出概率最大的pred。在训练过程中，通常需要将训练数据分成多个批次进行处理，可以使用 next(iter()) 操作从数据集迭代器中获取每个批次的数据。nping=np.squeeze(imgs.numpy())#将矩阵中维度为1的去掉，从(1, 28, 28)变成(28, 28)
2023-05-15 21:48:54
170
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人